Se propone el análisis estadistico de dos indices bioacústicos (ACI y ADI) realizados en cuatro locaciones correspondientes a dos regiones (Puna y Yungas) del noroeste argentino. Los resultados obtenidos fueron comparados según locación a partir de una districión uniforme y por franja horaria (dia/noche), teniendo en cuenta modelos de regresión lineal.
Se realizó un trabajo de analisis a partir de 2 indicadores de actividad bioacústica:
El Índice de Complejidad Acústica (ACI), produce una cuantificación directa y rápida del canto de las aves procesando las intensidades registradas en los archivos de audio. La fuerte correlación entre el ACI y la actividad de canto de la comunidad aviar está relacionada con la capacidad de este índice para resaltar con éxito variaciones rápidas de intensidad en cada intervalo de frecuencia, una característica que es típica del canto de los pájaros. En contraste, otros sonidos parecidos a planos, como el zumbido de insectos u otro ruido antropogénico, se caracterizan por niveles de intensidad aproximadamente constantes, que producen valores de ACI muy pequeños.
El Indice de Diversidad Acústica (ADI) hace mención al Índice de diversidad, uniformidad y dominio de las bandas de frecuencia. Este Indice Aumenta con mayor uniformidad en las bandas de frecuencia. Una señal uniforme (ya sea ruidosa en todas las bandas de frecuencia o completamente silenciosa) dará un valor alto, mientras que un tono puro (es decir, toda la energía en una banda de frecuencia) estará más cerca de 0.
Fuentes: Rajan, et al. Rapid assessment of biodiversity using acoustic indices
Los datos fueron obtenidos a partir de una serie de pruebas de campo realizadas por los autores mediante un sistema de desarrollo propio denominado Sentinel. El repositorio completo de los materiales obtenidos estan disponibles en GitHub.
Los datos relevados contemplan dos locaciones en la Reserva Natural La Poma (Acay y Cavernas) y dos locaciones en la Reserva Natural Acambuco (Mayuato y Quebrada de Astilleros).
Acay y Cavernas, pertenecen al Area Natural Protegida La
Poma: una cordillera de 3511 metros sobre el nivel del mar,
clima seco de matorrales secos y bajos (valles y matorrales de Puno) y
vientos fuertes. Durante el período de registro, el rango de temperatura
fue de -3° C a 6° C, la humedad 20-40% y vientos entre 25 y 35 km/h. La
caida del sol fue a las 18:53.
Quebrada Astilleros y Mayuuatos, corresponden a la Reserva Natural Acambuco: conjunto de sierras y yungas con alta diversidad (Selvas Pedemontana y Selva Montana) y 715 msnm. Su clima es templado cálido, lluvioso moderado, con un invierno seco no riguroso. El rango de temperatura fue de 7° a 18° C, la humedad 50-85% y vientos entre 5 y 25 km/h. La caida del sol fue a las 18:41
Fig 2: Locaciones donde fueron realizadas las
grabaciones.
Arriba: Acambuco: Sendero Mayuato (Izq), Quebrada de
Astilleros (Der). Abajo: La Poma: Acay (Izq), Cavernas (Der)
El registro original comprende 10 horas en Quebrada de Astilleros (de 17:00 a 3:00), 10 horas en Sendero Mayuato (de 10:00 a 21:00), 16 horas en Acay (de 11:00 a 3:00), y 18 horas en Cavernas (de 16:00 a 10:00). Todas las grabaciones se realizaron en Mayo del 2021.
Asimismo, de cada muestra se midieron 9 indices:
- Indice de
Diversidad Acústica (ACI)
- Indice Bioacústico (BI)
- Índice
de Diferencia Normalizada de Paisaje Sonoro (DNSI)
- Indice de
Igualdad Acústica (AEI)
- Indice de Diversidad Acústica (ADI)
- Entropía Espectral (HS)
- Entropía Temporal (HT)
- Centroide
Espectral (SC)
- Decibeles Full Scale (dBFS)
El sistema Sentinel relevó un archivo de audio cada 60 segundos. Es decir, se obtuvieron 36 observaciones cada 60 segundos (9 indices x 4 locaciones).
Previamente se realizó un analisis de correlación de parametros para
determinar el comportamiento de los mismos.
Para responder a la
hipotesis planteada, se decidió tomar los indicadores ACI y ADI, ya que
el primero se focaliza en la variación temporal de la intensidad (ACI)
mientras que el segundo, en las varaciones de intensidad por bandas de
frecuencia (ADI).
#Carga de planillas .csv
rm(list = ls())
Cavernas <- read_csv(file = here('datos','07-05-2021_Cavernas.csv')) %>% mutate(region = "Puna", lugar = "Cavernas", .before=1)
Mayuato <- read_csv(file = here('datos','23-05-2021_Sendero_Mayuato.csv')) %>% mutate(region = "Yunga", lugar = "Mayuato", .before=1)
Astilleros <- read_csv(file = here('datos','23-05-2021_Quebrada_de_Astilleros.csv')) %>% mutate(region = "Yunga", lugar = "Astilleros", .before=1)
Acay <- read_csv(file = here('datos','08-05-2021_Acay.csv')) %>% mutate(region = "Puna", lugar = "Acay", .before=1)
# Unificación de datos
Ind <- Cavernas %>%
bind_rows(Mayuato) %>%
bind_rows(Astilleros) %>%
bind_rows(Acay)# Grafica de Correlación
Indices <- Ind %>% select(ACI, BI, DNSI, AEI, ADI, HS, HT, SC, dBFS)
Indices_cor <- cor(Indices)
corrplot.mixed(Indices_cor)
fig 3: Gráfica comparativa de correlación de los
parámetros analizados.
Pueden observarse comportamientos
directamente correlacionados entre HS-ADI, SC-DNSI, SC-HS.
Pueden
observarse comportamientos inversamente correlacionados entre ADI-AEI,
SC-dBFS, dBFS-HS, BI-HT.
Para llevar a cabo una comparacion mas controlada, se tomó el mismo período de tiempo de 4 horas en cada locación, mas precisamente de 17 a 21hs. Este lapso nos es particularmente de interes ya que contempla una fraccion con luz solar y otra ya de noche.
De los datos originales obtenidos en formato .csv fue preciso:
-
Agregar una fila (header) con cada indice
- Filtrar, de todos los
indices obtenidos, sólo los dos a evaluar.
- Realizar un filtrado
de 4 horas por locación, entre 17 y 21hs.
- Modificar el formato de
Fecha y Hora con la librería ‘lubridate’.
# Filtrar
Cavernas <- Cavernas %>%
select(c('region','lugar','Dates', 'ACI', 'ADI'))
Mayuato <- Mayuato %>%
select(c('region','lugar','Dates', 'ACI', 'ADI'))
Astilleros <- Astilleros %>%
select(c('region','lugar','Dates', 'ACI', 'ADI'))
Acay <- Acay %>%
select(c('region','lugar','Dates', 'ACI', 'ADI'))
# Modificar el formato de Fecha Hora
Cavernas %<>% filter(Dates>ymd_hms("2021:05:07 17:00:00")) %>%
filter(Dates<ymd_hms("2021:05:07 21:00:00"))
Mayuato %<>% filter(Dates>ymd_hms("2021:05:21 17:00:00")) %>%
filter(Dates<ymd_hms("2021:05:21 21:00:00"))
Astilleros %<>% filter(Dates>ymd_hms("2021:05:23 17:00:00")) %>%
filter(Dates<ymd_hms("2021:05:23 21:00:00"))
Acay %<>% filter(Dates>ymd_hms("2021:05:08 17:00:00")) %>%
filter(Dates<ymd_hms("2021:05:08 21:00:00"))
#Cambio el dia
Cavernas %<>% mutate(Dates= hm(format(Dates,"%H:%M"))) %>%
mutate(Dates= ymd_hms(paste("2021:01:01 ",as.character(Dates@hour),":",as.character(Dates@minute), ":0")))
Mayuato %<>% mutate(Dates= hm(format(Dates,"%H:%M"))) %>%
mutate(Dates= ymd_hms(paste("2021:01:01 ",as.character(Dates@hour),":",as.character(Dates@minute), ":0")))
Astilleros %<>% mutate(Dates= hm(format(Dates,"%H:%M"))) %>%
mutate(Dates= ymd_hms(paste("2021:01:01 ",as.character(Dates@hour),":",as.character(Dates@minute), ":0")))
Acay %<>% mutate(Dates= hm(format(Dates,"%H:%M"))) %>%
mutate(Dates= ymd_hms(paste("2021:01:01 ",as.character(Dates@hour),":",as.character(Dates@minute), ":0")))Finalmente se realizó un solo tibble con los datos de las cuatro locaciones con sus índices, agregando una columna que contenga el nombre de cada locación.
Datos <- Cavernas %>%
bind_rows(Mayuato) %>%
bind_rows(Astilleros) %>%
bind_rows(Acay)Para determinar los outliers utilizamos el metodo MAD, a partir de la libreria Routliers. Exponemos una grafica Boxplot donde se exponen las muestras eliminadas.
summary(Datos)## region lugar Dates
## Length:854 Length:854 Min. :2021-01-01 17:00:00.00
## Class :character Class :character 1st Qu.:2021-01-01 17:59:15.00
## Mode :character Mode :character Median :2021-01-01 18:59:00.00
## Mean :2021-01-01 18:59:36.39
## 3rd Qu.:2021-01-01 20:01:00.00
## Max. :2021-01-01 20:59:00.00
## ACI ADI
## Min. :241.3 Min. :0.0000
## 1st Qu.:242.5 1st Qu.:0.8323
## Median :244.2 Median :2.0840
## Mean :245.4 Mean :1.5944
## 3rd Qu.:245.4 3rd Qu.:2.2600
## Max. :457.6 Max. :2.2980
# Determinación de Outliers ACI
outliers_mad(Acay$ACI)## Call:
## outliers_mad.default(x = Acay$ACI)
##
## Median:
## [1] 242.088
##
## MAD:
## [1] 0.4773972
##
## Limits of acceptable range of values:
## [1] 240.6558 243.5202
##
## Number of detected outliers
## extremely low extremely high total
## 0 12 12
outliers_mad(Cavernas$ACI)## Call:
## outliers_mad.default(x = Cavernas$ACI)
##
## Median:
## [1] 242.656
##
## MAD:
## [1] 0.3691674
##
## Limits of acceptable range of values:
## [1] 241.5485 243.7635
##
## Number of detected outliers
## extremely low extremely high total
## 0 23 23
outliers_mad(Mayuato$ACI)## Call:
## outliers_mad.default(x = Mayuato$ACI)
##
## Median:
## [1] 245.253
##
## MAD:
## [1] 0.4773972
##
## Limits of acceptable range of values:
## [1] 243.8208 246.6852
##
## Number of detected outliers
## extremely low extremely high total
## 1 28 29
outliers_mad(Astilleros$ACI)## Call:
## outliers_mad.default(x = Astilleros$ACI)
##
## Median:
## [1] 244.7295
##
## MAD:
## [1] 1.435898
##
## Limits of acceptable range of values:
## [1] 240.4218 249.0372
##
## Number of detected outliers
## extremely low extremely high total
## 0 47 47
#Sumamos una columna con la determnación de outliers TRUE or FALSE
Acay<-Acay %>% mutate(outlier_ACI= ACI<240.6558 | ACI>243.5202)
Cavernas <- Cavernas %>% mutate(outlier_ACI= ACI<241.5485|ACI>243.7635)
Mayuato <- Mayuato %>% mutate(outlier_ACI= ACI<243.8208|ACI>246.6852)
Astilleros <- Astilleros %>% mutate(outlier_ACI= ACI<240.4218|ACI>249.0372)
# Armamos un solo Tibble con todos los lugares.
Datos <- Cavernas %>%
bind_rows(Mayuato) %>%
bind_rows(Astilleros) %>%
bind_rows(Acay)
Datos_ACI <- Datos %>% filter(outlier_ACI==FALSE) %>%
select(-c("ADI","outlier_ACI"))
# Graficamos las observaciones ACI con outliers.
ACI_boxplot <- ggplot() +
stat_boxplot(geom = "errorbar", # Bigotes
width = 0.2) +
geom_boxplot(data=Datos%>%filter(ACI<300), aes(x=lugar, y=ACI, color=lugar),
width = 0.5, outlier.alpha = 0, show.legend = FALSE) +
geom_jitter(data=Datos%>%filter(outlier_ACI==TRUE, ACI<300),
aes(x=lugar, y=ACI), color="black",
position=position_jitter(0.1),
size=0.8, alpha=0.5, pch=19)+
labs(title = 'Datos ACI con Outliers',
y='ACI',
x='Locaciones') +
theme_minimal()
# Graficamos las observaciones ACI sin outliers.
ACI_boxplot_sinO <- Datos_ACI%>%
ggplot(aes(x=lugar, y=ACI, color=lugar))+
geom_boxplot(width = 0.5, outlier.alpha = 0.5, show.legend = FALSE)+
labs(title = 'Datos ACI sin Outliers',
y='ACI',
x='Locaciones') +
theme_minimal()
ACI_boxplot + ACI_boxplot_sinO
Fig 4: Observaciones del parametro ACI para todas las
locaciones.
Puede observarse a la izquierda (puntos negros) los
valores con outliers, y a la derecha los valores sin outliers.
# Determinación de Outliers ADI
outliers_mad(Acay$ADI)## Call:
## outliers_mad.default(x = Acay$ADI)
##
## Median:
## [1] 0.798
##
## MAD:
## [1] 0.103782
##
## Limits of acceptable range of values:
## [1] 0.486654 1.109346
##
## Number of detected outliers
## extremely low extremely high total
## 11 0 11
outliers_mad(Cavernas$ADI)## Call:
## outliers_mad.default(x = Cavernas$ADI)
##
## Median:
## [1] 2.246
##
## MAD:
## [1] 0.0415128
##
## Limits of acceptable range of values:
## [1] 2.121462 2.370538
##
## Number of detected outliers
## extremely low extremely high total
## 35 0 35
outliers_mad(Mayuato$ADI)## Call:
## outliers_mad.default(x = Mayuato$ADI)
##
## Median:
## [1] 2.264
##
## MAD:
## [1] 0.0474432
##
## Limits of acceptable range of values:
## [1] 2.12167 2.40633
##
## Number of detected outliers
## extremely low extremely high total
## 79 0 79
outliers_mad(Astilleros$ADI)## Call:
## outliers_mad.default(x = Astilleros$ADI)
##
## Median:
## [1] 2.205
##
## MAD:
## [1] 0.096369
##
## Limits of acceptable range of values:
## [1] 1.915893 2.494107
##
## Number of detected outliers
## extremely low extremely high total
## 72 0 72
#Sumamos una columna con la determnación de outliers TRUE or FALSE
Acay<-Acay %>% mutate(outlier_ADI= ADI<0.486654 | ADI>1.109346)
Cavernas <- Cavernas %>% mutate(outlier_ADI= ADI<2.121462|ADI>2.370538)
Mayuato <- Mayuato %>% mutate(outlier_ADI= ADI<2.12167|ADI>2.40633)
Astilleros <- Astilleros %>% mutate(outlier_ADI= ADI<1.915893|ADI>2.494107)
# Armamos un solo Tibble con todos los lugares.
Datos <- Cavernas %>%
bind_rows(Mayuato) %>%
bind_rows(Astilleros) %>%
bind_rows(Acay)
Datos_ADI <- Datos %>%
filter(outlier_ADI==FALSE) %>%
select(-c("ACI","outlier_ACI","outlier_ADI"))
# Graficamos las observaciones ADI con outliers.
ADI_boxplot <- ggplot() +
geom_boxplot(data=Datos,
aes(x=lugar, y=ADI, color=lugar),
width = 0.5, outlier.alpha = 0, show.legend = FALSE) +
geom_jitter(data=Datos%>%filter(outlier_ADI==TRUE),
aes(x=lugar, y=ADI), color="black",
position=position_jitter(0.1),
size=0.8, alpha=0.9, pch=19)+
labs(title = 'Datos ADI con Outliers',
y='ACI',
x='Locaciones') +
theme_minimal()
# Graficamos las observaciones ADI sin outliers.
ADI_boxplot_sinO <- Datos_ADI%>%
ggplot(aes(x=lugar, y=ADI, color=lugar))+
geom_boxplot(width = 0.5, outlier.alpha = 0.5, show.legend = FALSE)+
labs(title = 'Datos ADI sin Outliers',
y='ACI',
x='Locaciones') +
theme_minimal()
ADI_boxplot + ADI_boxplot_sinO
Fig 5: Observaciones del parametro ADI para todas las
locaciones.
Puede observarse a la izquierda (puntos negros) los
valores con outliers, y a la derecha los valores sin outliers.
Se exponen dos hipotesis a partir del analisis de los datos:
H1: La actividad Biófona es mayor en las locaciones
pertenecientes a la región de Yunga que en Puna.
H2: La Actividad Biófona es mayor durante el dia
(17-19hs) en comparación con las horas de la noche (19-21hs)
Graficamos las densidades de cada índice con la media de cada lugar.
ggdensity(Datos_ACI,
x = "ACI",
add = "mean",
rug = TRUE,
color = "lugar",
fill = "lugar")Fig 6: Gráfico de densidad de los datos ACI de las
cuatro locaciones a evaluar.
Puede notarse que las medias de
Mayuato y Cavernas reponden a una distribución normal, sin embargo, las
medias de Astilleros y Acay distan de su distribución.
ggdensity(Datos,
x = "ADI",
add = "mean",
rug = TRUE,
color = "lugar",
fill = "lugar")Fig 7: Gráfico de densidad de los datos ACI de las
cuatro locaciones a evaluar.
Puede notarse en este caso que las
medias muestrales y los desvios standard de todas las respuestas distan
de su distribución. Asimismo, es notoria la diferencia en la
distribución de los valores obtenidos en Acay en relación a las otras
locaciones.
A partir de estos valores, determinamos una distribución normal para cada lugar, con su media y desviación estandar:
estadistica_ACI <- Datos_ACI %>%
group_by(lugar) %>%
summarise(M = mean(ACI), S = sd(ACI), n = n(), .groups="keep")
estadistica_ADI <- Datos_ADI %>%
group_by(lugar) %>%
summarise(M = mean(ADI), S = sd(ADI), n = n(), .groups="keep")
estadistica_ADI## # A tibble: 4 × 4
## # Groups: lugar [4]
## lugar M S n
## <chr> <dbl> <dbl> <int>
## 1 Acay 0.797 0.0893 229
## 2 Astilleros 2.21 0.0738 168
## 3 Cavernas 2.25 0.0303 104
## 4 Mayuato 2.27 0.0436 156
estadistica_ACI## # A tibble: 4 × 4
## # Groups: lugar [4]
## lugar M S n
## <chr> <dbl> <dbl> <int>
## 1 Acay 242. 0.464 228
## 2 Astilleros 245. 1.27 193
## 3 Cavernas 243. 0.297 116
## 4 Mayuato 245. 0.462 206
Finalmente hacemos un t-test cruzando los datos de las 4 locaciones.
T test para Valores ACI entre Locaciones
t.test(x=Acay$ACI, y = Astilleros$ACI)##
## Welch Two Sample t-test
##
## data: Acay$ACI and Astilleros$ACI
## t = -7.5424, df = 477.94, p-value = 2.343e-13
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -6.238312 -3.659696
## sample estimates:
## mean of x mean of y
## 242.7965 247.7455
t.test(x=Acay$ACI, y = Mayuato$ACI)##
## Welch Two Sample t-test
##
## data: Acay$ACI and Mayuato$ACI
## t = -3.5587, df = 350.42, p-value = 0.0004241
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -5.631489 -1.622480
## sample estimates:
## mean of x mean of y
## 242.7965 246.4235
t.test(x=Acay$ACI, y = Cavernas$ACI)##
## Welch Two Sample t-test
##
## data: Acay$ACI and Cavernas$ACI
## t = -1.7521, df = 376.94, p-value = 0.08057
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -2.1689418 0.1249339
## sample estimates:
## mean of x mean of y
## 242.7965 243.8185
t.test(x=Astilleros$ACI, y = Mayuato$ACI)##
## Welch Two Sample t-test
##
## data: Astilleros$ACI and Mayuato$ACI
## t = 1.3002, df = 348.14, p-value = 0.1944
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -0.6778387 3.3218780
## sample estimates:
## mean of x mean of y
## 247.7455 246.4235
t.test(x=Astilleros$ACI, y = Cavernas$ACI)##
## Welch Two Sample t-test
##
## data: Astilleros$ACI and Cavernas$ACI
## t = 6.7809, df = 377, p-value = 4.627e-11
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## 2.788278 5.065722
## sample estimates:
## mean of x mean of y
## 247.7455 243.8185
t.test(x=Cavernas$ACI, y = Mayuato$ACI)##
## Welch Two Sample t-test
##
## data: Cavernas$ACI and Mayuato$ACI
## t = -2.6817, df = 297.81, p-value = 0.007734
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -4.5166401 -0.6933209
## sample estimates:
## mean of x mean of y
## 243.8185 246.4235
T test para Valores ACI entre Regiones
#Agregamos una columna que divida por franca horaria
Datos <- Datos %>% mutate(franja_horaria = case_when(
Dates < ymd_hms('2021-01-01 19:00:00') ~ 'Dia',
Dates >= ymd_hms('2021-01-01 19:00:00') ~ 'Noche'))
yunga_ACI <- Datos %>% filter(outlier_ACI==FALSE, region=="Yunga")
puna_ACI <- Datos %>% filter(outlier_ACI==FALSE, region=="Puna")
t.test(x=yunga_ACI$ACI, y=puna_ACI$ACI)##
## Welch Two Sample t-test
##
## data: yunga_ACI$ACI and puna_ACI$ACI
## t = 50.613, df = 593.97, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## 2.616478 2.827734
## sample estimates:
## mean of x mean of y
## 245.0438 242.3217
yunga_ADI <- Datos%>%filter(outlier_ADI==FALSE, region=="Yunga")
puna_ADI <- Datos%>%filter(outlier_ADI==FALSE, region=="Puna")
Datos_region_ACI <- yunga_ACI %>%
bind_rows(puna_ACI)
Datos_region_ADI <- yunga_ADI %>%
bind_rows(puna_ADI)t.test(x=yunga_ACI$ACI, y = puna_ACI$ACI)##
## Welch Two Sample t-test
##
## data: yunga_ACI$ACI and puna_ACI$ACI
## t = 50.613, df = 593.97, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## 2.616478 2.827734
## sample estimates:
## mean of x mean of y
## 245.0438 242.3217
t.test(x=yunga_ADI$ADI, y=puna_ADI$ADI)##
## Welch Two Sample t-test
##
## data: yunga_ADI$ADI and puna_ADI$ADI
## t = 26.448, df = 338.62, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## 0.9157252 1.0628765
## sample estimates:
## mean of x mean of y
## 2.240022 1.250721
T test para Valores ADI entre Locaciones
t.test(x=Acay$ADI, y = Astilleros$ADI)##
## Welch Two Sample t-test
##
## data: Acay$ADI and Astilleros$ADI
## t = -22.537, df = 263.71, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -1.1313936 -0.9495814
## sample estimates:
## mean of x mean of y
## 0.7681167 1.8086042
t.test(x=Acay$ADI, y = Mayuato$ADI)##
## Welch Two Sample t-test
##
## data: Acay$ADI and Mayuato$ADI
## t = -35.638, df = 278.87, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -1.298338 -1.162416
## sample estimates:
## mean of x mean of y
## 0.7681167 1.9984936
t.test(x=Acay$ADI, y = Cavernas$ADI)##
## Welch Two Sample t-test
##
## data: Acay$ADI and Cavernas$ADI
## t = -23.914, df = 150.11, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -1.298994 -1.100715
## sample estimates:
## mean of x mean of y
## 0.7681167 1.9679712
t.test(x=Astilleros$ADI, y = Mayuato$ADI)##
## Welch Two Sample t-test
##
## data: Astilleros$ADI and Mayuato$ADI
## t = -3.4032, df = 436.01, p-value = 0.0007276
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -0.29955511 -0.08022379
## sample estimates:
## mean of x mean of y
## 1.808604 1.998494
t.test(x=Astilleros$ADI, y = Cavernas$ADI)##
## Welch Two Sample t-test
##
## data: Astilleros$ADI and Cavernas$ADI
## t = -2.392, df = 331.97, p-value = 0.01731
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -0.29042818 -0.02830593
## sample estimates:
## mean of x mean of y
## 1.808604 1.967971
t.test(x=Cavernas$ADI, y = Mayuato$ADI)##
## Welch Two Sample t-test
##
## data: Cavernas$ADI and Mayuato$ADI
## t = -0.51597, df = 259.32, p-value = 0.6063
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -0.14700754 0.08596276
## sample estimates:
## mean of x mean of y
## 1.967971 1.998494
T test para Valores ADI entre Regiones
t.test(x=yunga_ADI$ADI, y = puna_ADI$ADI)##
## Welch Two Sample t-test
##
## data: yunga_ADI$ADI and puna_ADI$ADI
## t = 26.448, df = 338.62, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## 0.9157252 1.0628765
## sample estimates:
## mean of x mean of y
## 2.240022 1.250721
Finalmente, exponemos la relación entre las diferentes regiones.
graph_region_ACI <- ggplot(Datos_region_ACI, aes(x = region, y = ACI, color = region, fill=region))+
geom_boxplot(width = 0.3, outlier.alpha = 0.5, show.legend = FALSE)+
scale_color_manual(breaks = c("Yunga", "Puna"),
values = c("#124411", "#442C11")) +
scale_fill_manual(breaks = c("Yunga", "Puna"),
values = c("#2ECC71", "#9C640C")) +
labs(y = "ACI", x = "Región", title="ACI Por Regiones") +
annotate("text", x = 1.5, y = 250, label = "p-value < 2.2e-16", size = 4) +
annotate("segment", x = 1, xend = 2, y = 249.5,
yend = 249.5, colour = "black", size=.3, alpha=1,)+
theme_minimal()
graph_region_ADI <- ggplot(Datos_region_ADI, aes(x = region, y = ADI, color = region, fill=region))+
geom_boxplot(width = 0.3, outlier.alpha = 0.5, show.legend = FALSE)+
scale_color_manual(breaks = c("Yunga", "Puna"),
values = c("#124411", "#442C11")) +
scale_fill_manual(breaks = c("Yunga", "Puna"),
values = c("#2ECC71", "#9C640C")) +
labs(y = "ADI", x = "Región", title="ADI Por Regiones") +
annotate("text", x = 1.5, y = 2.5, label = "p-value < 2.2e-16", size = 4) +
annotate("segment", x = 1, xend = 2, y = 2.4,
yend = 2.4, colour = "black", size=.3, alpha=1,)+
theme_minimal()
graph_region_ACI + graph_region_ADI
Fig 8: Relación del analisis de ACI (Izq) y ADI (Der)
por región, En ACI pueden notarse distribuciones similares con valores
mayores para la región de Yungas que Puna. En cuando a ADI, es posible
inferir una distribución mucho mayor en la región de Puna que en Yungas,
Si bien la media expone notorias diferencias, en la Región de Puna se
visibilizan valores carcanos a los de Yungas. Esto ultimo se debe a las
notorias diferencias entre Acay y Cavernas dentro de la primera
región.
Realizamos una revisión de los datos mediante un modelo de regresión lineal, tomando en cuenta la información del Día (primeras dos horas) vs Noche (segundas dos horas)
# Realizamos un tibble por cada lugar con horas distantes.
Acay_ACI_Tarde <- puna_ACI %>% filter(lugar=='Acay', Dates>ymd_hms('2021-01-01 19:00:00'))
Acay_ACI_Noche <- puna_ACI %>% filter(lugar=='Acay', Dates>ymd_hms('2021-01-01 19:00:00'))
Cavernas_ACI_Tarde <- puna_ACI %>% filter(lugar=='Cavernas', Dates>ymd_hms('2021-01-01 19:00:00'))
Cavernas_ACI_Noche <- puna_ACI %>% filter(lugar=='Cavernas', Dates>ymd_hms('2021-01-01 19:00:00'))
Mayuato_ACI_Tarde <- yunga_ACI %>% filter(lugar=='Mayuato', Dates>ymd_hms('2021-01-01 19:00:00'))
Mayuato_ACI_Noche <- yunga_ACI %>% filter(lugar=='Mayuato', Dates>ymd_hms('2021-01-01 19:00:00'))
Astilleros_ACI_Tarde <- yunga_ACI %>% filter(lugar=='Astilleros', Dates>ymd_hms('2021-01-01 19:00:00'))
Astilleros_ACI_Noche <- yunga_ACI %>% filter(lugar=='Astilleros', Dates>ymd_hms('2021-01-01 19:00:00'))
Acay_ADI_Tarde <- puna_ADI %>% filter(lugar=='Acay', Dates>ymd_hms('2021-01-01 19:00:00'))
Acay_ADI_Noche <- puna_ADI %>% filter(lugar=='Acay', Dates>ymd_hms('2021-01-01 19:00:00'))
Cavernas_ADI_Tarde <- puna_ADI %>% filter(lugar=='Cavernas', Dates>ymd_hms('2021-01-01 19:00:00'))
Cavernas_ADI_Noche <- puna_ADI %>% filter(lugar=='Cavernas', Dates>ymd_hms('2021-01-01 19:00:00'))
Mayuato_ADI_Tarde <- yunga_ADI %>% filter(lugar=='Mayuato', Dates>ymd_hms('2021-01-01 19:00:00'))
Mayuato_ADI_Noche <- yunga_ADI %>% filter(lugar=='Mayuato', Dates>ymd_hms('2021-01-01 19:00:00'))
Astilleros_ADI_Tarde <- yunga_ADI %>% filter(lugar=='Astilleros', Dates>ymd_hms('2021-01-01 19:00:00'))
Astilleros_ADI_Noche <- yunga_ADI %>% filter(lugar=='Astilleros', Dates>ymd_hms('2021-01-01 19:00:00'))
# Calculamos el modelo para cada caso
Acay_ACI_Tarde <- lm(ACI ~ Dates, data = Acay_ACI_Tarde)
Acay_ACI_Noche <- lm(ACI ~ Dates, data = Acay_ACI_Noche)
Cavernas_ACI_Tarde <- lm(ACI ~ Dates, data = Cavernas_ACI_Tarde)
Cavernas_ACI_Noche <- lm(ACI ~ Dates, data = Cavernas_ACI_Noche)
Mayuato_ACI_Tarde <- lm(ACI ~ Dates, data = Mayuato_ACI_Tarde)
Mayuato_ACI_Noche <- lm(ACI ~ Dates, data = Mayuato_ACI_Noche)
Astilleros_ACI_Tarde <- lm(ACI ~ Dates, data = Astilleros_ACI_Tarde)
Astilleros_ACI_Noche <- lm(ACI ~ Dates, data = Astilleros_ACI_Noche)
Acay_ADI_Tarde <- lm(ADI ~ Dates, data = Acay_ADI_Tarde)
Acay_ADI_Noche <- lm(ADI ~ Dates, data = Acay_ADI_Noche)
Cavernas_ADI_Tarde <- lm(ADI ~ Dates, data = Cavernas_ADI_Tarde)
Cavernas_ADI_Noche <- lm(ADI ~ Dates, data = Cavernas_ADI_Noche)
Mayuato_ADI_Tarde <- lm(ADI ~ Dates, data = Mayuato_ADI_Tarde)
Mayuato_ADI_Noche <- lm(ADI ~ Dates, data = Mayuato_ADI_Noche)
Astilleros_ADI_Tarde <- lm(ADI ~ Dates, data = Astilleros_ADI_Tarde)
Astilleros_ADI_Noche <- lm(ADI ~ Dates, data = Astilleros_ADI_Noche)
# Realizamos las Graficsa comparativas
graph_ACI_Tarde_yunga <- ggplot(data=yunga_ACI %>% filter(Dates<ymd_hms('2021-01-01 19:00:00')),
aes(x=Dates, y=ACI, color=lugar)) +
geom_point() +
theme(legend.position = "bottom") +
labs(title = 'ACI | Día (17-19hs)',
y='ACI',
x='Tiempo') +
geom_smooth(method = lm, se = FALSE) +
theme_minimal() +
theme(legend.position = "bottom")
graph_ACI_Tarde_puna <- ggplot(data=puna_ACI %>% filter(Dates<ymd_hms('2021-01-01 19:00:00')),
aes(x=Dates, y=ACI, color=lugar)) +
geom_point()+
labs(title = 'ACI | Día (17-19hs)',
y='ACI',
x='Tiempo') +
geom_smooth(method = lm, se = FALSE) +
theme_minimal() +
theme(legend.position = "bottom")
graph_ACI_Noche_yunga <- ggplot(data=yunga_ACI %>% filter(Dates>ymd_hms('2021-01-01 19:00:00')),
aes(x=Dates, y=ACI, color=lugar)) +
geom_point(show.legend = FALSE) +
labs(title = 'ACI | Noche (19-21hs)',
y='ACI',
x='Tiempo') +
geom_smooth(method = lm, se = FALSE, show.legend = FALSE) +
theme_dark()
graph_ACI_Noche_puna <- ggplot(data=puna_ACI %>% filter(Dates>ymd_hms('2021-01-01 19:00:00')),
aes(x=Dates, y=ACI, color=lugar)) +
geom_point(show.legend = FALSE) +
labs(title = 'ACI | Noche (19-21hs)',
y='ACI',
x='Tiempo') +
geom_smooth(method = lm, se = FALSE, show.legend = FALSE)+
theme_dark()
graph_ADI_Tarde_yunga <- ggplot(data=yunga_ADI %>% filter(Dates<ymd_hms('2021-01-01 19:00:00')),
aes(x=Dates, y=ADI, color=lugar)) +
geom_point()+
labs(title = 'ADI | Día (17-19hs)',
y='ADI',
x='Tiempo') +
geom_smooth(method = lm, se = FALSE) +
theme_minimal() +
theme(legend.position = "bottom")
graph_ADI_Tarde_puna <- ggplot(data=puna_ADI %>% filter(Dates<ymd_hms('2021-01-01 19:00:00')),
aes(x=Dates, y=ADI, color=lugar)) +
geom_point()+
labs(title = 'ADI | Día (17-19hs)',
y='ADI',
x='Tiempo') +
geom_smooth(method = lm, se = FALSE) +
theme_minimal() +
theme(legend.position = "bottom")
graph_ADI_Noche_yunga <- ggplot(data=yunga_ADI %>% filter(Dates>ymd_hms('2021-01-01 19:00:00')),
aes(x=Dates, y=ADI, color=lugar)) +
geom_point(show.legend = FALSE)+
labs(title = 'ADI | Noche (19-21hs)',
y='ADI',
x='Tiempo') +
geom_smooth(method = lm, se = FALSE, show.legend = FALSE) +
theme_dark()
graph_ADI_Noche_puna <- ggplot(data=puna_ADI %>% filter(Dates>ymd_hms('2021-01-01 19:00:00')),
aes(x=Dates, y=ADI, color=lugar)) +
geom_point(show.legend = FALSE) +
labs(title = 'ADI | Noche (19-21hs)',
y='ADI',
x='Tiempo') +
geom_smooth(method = lm, se = FALSE, show.legend = FALSE) +
theme_dark()
# Ploteamos los datos
graph_ACI_Tarde_yunga + graph_ACI_Noche_yunga +
plot_annotation(title = 'ACI Yungas')
Fig 9: Regresión lineal de los datos de ACI obtenidos
para las dos locaciónes de Yungas a partir de franjas horarias: Tarde
(Izq) y Noche (Der). Es posible notar un comportamiento creciente hacia
la noche en Astilleros, distinto de los datos recogidos en Mayuato.
summary(Mayuato_ACI_Tarde)##
## Call:
## lm(formula = ACI ~ Dates, data = Mayuato_ACI_Tarde)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.01207 -0.29618 -0.00527 0.24161 1.23264
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -2.369e+04 3.218e+04 -0.736 0.463
## Dates 1.487e-05 1.999e-05 0.744 0.459
##
## Residual standard error: 0.4044 on 104 degrees of freedom
## Multiple R-squared: 0.005291, Adjusted R-squared: -0.004274
## F-statistic: 0.5532 on 1 and 104 DF, p-value: 0.4587
summary(Astilleros_ACI_Tarde)##
## Call:
## lm(formula = ACI ~ Dates, data = Astilleros_ACI_Tarde)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.9583 -0.5962 -0.1132 0.3269 3.2611
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -7.001e+05 9.949e+04 -7.037 8.88e-10 ***
## Dates 4.351e-04 6.181e-05 7.040 8.78e-10 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.9661 on 73 degrees of freedom
## Multiple R-squared: 0.4044, Adjusted R-squared: 0.3962
## F-statistic: 49.56 on 1 and 73 DF, p-value: 8.785e-10
summary(Mayuato_ACI_Noche)##
## Call:
## lm(formula = ACI ~ Dates, data = Mayuato_ACI_Noche)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.01207 -0.29618 -0.00527 0.24161 1.23264
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -2.369e+04 3.218e+04 -0.736 0.463
## Dates 1.487e-05 1.999e-05 0.744 0.459
##
## Residual standard error: 0.4044 on 104 degrees of freedom
## Multiple R-squared: 0.005291, Adjusted R-squared: -0.004274
## F-statistic: 0.5532 on 1 and 104 DF, p-value: 0.4587
summary(Astilleros_ACI_Noche)##
## Call:
## lm(formula = ACI ~ Dates, data = Astilleros_ACI_Noche)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.9583 -0.5962 -0.1132 0.3269 3.2611
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -7.001e+05 9.949e+04 -7.037 8.88e-10 ***
## Dates 4.351e-04 6.181e-05 7.040 8.78e-10 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.9661 on 73 degrees of freedom
## Multiple R-squared: 0.4044, Adjusted R-squared: 0.3962
## F-statistic: 49.56 on 1 and 73 DF, p-value: 8.785e-10
graph_ACI_Tarde_puna + graph_ACI_Noche_puna +
plot_annotation(title = 'ACI Puna')
Fig 10: Regresión lineal de los datos de ACI obtenidos
para las dos locaciónes de Puna a partir de franjas horarias: Tarde
(Izq) y Noche (Der). A diferencia del caso anterior, pueden notarse
comportamienbtos similares en ambas locaciones: crecientes en la tarde y
decreciantes en horas de la noche.
summary(Acay_ACI_Tarde)##
## Call:
## lm(formula = ACI ~ Dates, data = Acay_ACI_Tarde)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.60067 -0.20107 -0.00969 0.17777 1.01202
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.305e+05 2.074e+04 6.291 5.78e-09 ***
## Dates -8.091e-05 1.288e-05 -6.279 6.11e-09 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.2865 on 116 degrees of freedom
## Multiple R-squared: 0.2537, Adjusted R-squared: 0.2472
## F-statistic: 39.43 on 1 and 116 DF, p-value: 6.109e-09
summary(Cavernas_ACI_Tarde)##
## Call:
## lm(formula = ACI ~ Dates, data = Cavernas_ACI_Tarde)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.56613 -0.20255 0.01404 0.18045 0.86004
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.535e+04 2.574e+04 2.15 0.0353 *
## Dates -3.424e-05 1.599e-05 -2.14 0.0361 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.27 on 64 degrees of freedom
## Multiple R-squared: 0.0668, Adjusted R-squared: 0.05222
## F-statistic: 4.582 on 1 and 64 DF, p-value: 0.03613
summary(Acay_ACI_Noche)##
## Call:
## lm(formula = ACI ~ Dates, data = Acay_ACI_Noche)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.60067 -0.20107 -0.00969 0.17777 1.01202
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.305e+05 2.074e+04 6.291 5.78e-09 ***
## Dates -8.091e-05 1.288e-05 -6.279 6.11e-09 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.2865 on 116 degrees of freedom
## Multiple R-squared: 0.2537, Adjusted R-squared: 0.2472
## F-statistic: 39.43 on 1 and 116 DF, p-value: 6.109e-09
summary(Cavernas_ACI_Noche)##
## Call:
## lm(formula = ACI ~ Dates, data = Cavernas_ACI_Noche)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.56613 -0.20255 0.01404 0.18045 0.86004
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.535e+04 2.574e+04 2.15 0.0353 *
## Dates -3.424e-05 1.599e-05 -2.14 0.0361 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.27 on 64 degrees of freedom
## Multiple R-squared: 0.0668, Adjusted R-squared: 0.05222
## F-statistic: 4.582 on 1 and 64 DF, p-value: 0.03613
graph_ADI_Tarde_yunga + graph_ADI_Noche_yunga +
plot_annotation(title = 'ADI Yunga')
Fig 11: Regresión lineal de los datos de ADI obtenidos
para las dos locaciónes de Yungas a partir de franjas horarias: Tarde
(Izq) y Noche (Der). Estos datos arrojan un comportamiento inverso al
observado en ACI ya que Astilleros presenta un comportamiento
decreciente hacia la noche. Mayuato mantiene sus datos estables durante
toda la medición.
summary(Mayuato_ADI_Tarde)##
## Call:
## lm(formula = ADI ~ Dates, data = Mayuato_ADI_Tarde)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.123495 0.001537 0.006478 0.010070 0.013578
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 8.602e+02 1.816e+03 0.474 0.637
## Dates -5.330e-07 1.128e-06 -0.472 0.638
##
## Residual standard error: 0.02112 on 86 degrees of freedom
## Multiple R-squared: 0.002588, Adjusted R-squared: -0.00901
## F-statistic: 0.2231 on 1 and 86 DF, p-value: 0.6379
summary(Astilleros_ADI_Tarde)##
## Call:
## lm(formula = ADI ~ Dates, data = Astilleros_ADI_Tarde)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.25269 -0.01930 0.02823 0.05452 0.08260
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.265e+04 8.841e+03 1.431 0.157
## Dates -7.861e-06 5.493e-06 -1.431 0.157
##
## Residual standard error: 0.08442 on 68 degrees of freedom
## Multiple R-squared: 0.02924, Adjusted R-squared: 0.01496
## F-statistic: 2.048 on 1 and 68 DF, p-value: 0.157
summary(Mayuato_ADI_Noche)##
## Call:
## lm(formula = ADI ~ Dates, data = Mayuato_ADI_Noche)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.123495 0.001537 0.006478 0.010070 0.013578
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 8.602e+02 1.816e+03 0.474 0.637
## Dates -5.330e-07 1.128e-06 -0.472 0.638
##
## Residual standard error: 0.02112 on 86 degrees of freedom
## Multiple R-squared: 0.002588, Adjusted R-squared: -0.00901
## F-statistic: 0.2231 on 1 and 86 DF, p-value: 0.6379
summary(Astilleros_ADI_Noche)##
## Call:
## lm(formula = ADI ~ Dates, data = Astilleros_ADI_Noche)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.25269 -0.01930 0.02823 0.05452 0.08260
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.265e+04 8.841e+03 1.431 0.157
## Dates -7.861e-06 5.493e-06 -1.431 0.157
##
## Residual standard error: 0.08442 on 68 degrees of freedom
## Multiple R-squared: 0.02924, Adjusted R-squared: 0.01496
## F-statistic: 2.048 on 1 and 68 DF, p-value: 0.157
graph_ADI_Tarde_puna + graph_ADI_Noche_puna +
plot_annotation(title = 'ADI Puna')summary(Acay_ADI_Tarde)##
## Call:
## lm(formula = ADI ~ Dates, data = Acay_ADI_Tarde)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.37688 -0.02105 0.00170 0.04304 0.12944
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.130e+04 5.209e+03 -2.17 0.0321 *
## Dates 7.023e-06 3.236e-06 2.17 0.0320 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.07197 on 116 degrees of freedom
## Multiple R-squared: 0.03901, Adjusted R-squared: 0.03073
## F-statistic: 4.709 on 1 and 116 DF, p-value: 0.03204
summary(Cavernas_ADI_Tarde)##
## Call:
## lm(formula = ADI ~ Dates, data = Cavernas_ADI_Tarde)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.08506 -0.01083 0.00387 0.02191 0.03593
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -3.844e+03 2.916e+03 -1.318 0.193
## Dates 2.390e-06 1.812e-06 1.319 0.192
##
## Residual standard error: 0.0297 on 58 degrees of freedom
## Multiple R-squared: 0.02913, Adjusted R-squared: 0.01239
## F-statistic: 1.74 on 1 and 58 DF, p-value: 0.1923
summary(Acay_ADI_Noche)##
## Call:
## lm(formula = ADI ~ Dates, data = Acay_ADI_Noche)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.37688 -0.02105 0.00170 0.04304 0.12944
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.130e+04 5.209e+03 -2.17 0.0321 *
## Dates 7.023e-06 3.236e-06 2.17 0.0320 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.07197 on 116 degrees of freedom
## Multiple R-squared: 0.03901, Adjusted R-squared: 0.03073
## F-statistic: 4.709 on 1 and 116 DF, p-value: 0.03204
summary(Cavernas_ADI_Noche)##
## Call:
## lm(formula = ADI ~ Dates, data = Cavernas_ADI_Noche)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.08506 -0.01083 0.00387 0.02191 0.03593
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -3.844e+03 2.916e+03 -1.318 0.193
## Dates 2.390e-06 1.812e-06 1.319 0.192
##
## Residual standard error: 0.0297 on 58 degrees of freedom
## Multiple R-squared: 0.02913, Adjusted R-squared: 0.01239
## F-statistic: 1.74 on 1 and 58 DF, p-value: 0.1923
Fig 12: Regresión lineal de los datos de ADI obtenidos para las dos locaciónes de Puna a partir de franjas horarias: Tarde (Izq) y Noche (Der). Aqui es posible inferir un comportamiento similar en ambas locaciónes. Si bien, los datos difieren entre Acay y Cavernas, ambas presentan un comportamiento similar, sin exponer variaciones entre franjas horarias.
A partir de una regresión lineal entre el total de los valores por región, los resultados arrojados informan un crecimiento de ACI mayor entre dia y noche para la región de Yungas que para las locaciones de Puna. En cuanto a el Indice de Diversidad Acústica (ADI), las regresiones lineales no permiten inferir resultados significativos.
#Graficadores de ACI
graph_ACI_Region <- Datos_region_ACI %>%
mutate(franja_horaria = factor(franja_horaria)) %>%
ggplot(aes(x = as.numeric(franja_horaria) - 1,
y = ACI, color=region)) +
geom_point(position = position_jitter(width = 0.15)) +
geom_smooth(method = lm, se = FALSE, fullrange = TRUE) +
scale_x_continuous(breaks = c(0, 1),
minor_breaks = c(0, 1),
limits = c(-0.2, 1.2),
labels = c("Dia", "Noche")) +
labs(x = "Franja Horaria",
y = "ACI")
graph_ACI_Region
Fig 13: Valores de ACI agrupador por región según
franja horaria.
#T.Test de ACI
Dia_ACI_Yunga <- Datos_region_ACI %>% filter(franja_horaria=="Dia",region=="Yunga")
Noche_ACI_Yunga <- Datos_region_ACI %>% filter(franja_horaria=="Noche",region=="Yunga")
t.test(Dia_ACI_Yunga$ACI, Noche_ACI_Yunga$ACI)##
## Welch Two Sample t-test
##
## data: Dia_ACI_Yunga$ACI and Noche_ACI_Yunga$ACI
## t = -10.254, df = 352.9, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -1.0536241 -0.7144935
## sample estimates:
## mean of x mean of y
## 244.6384 245.5224
Dia_ACI_Puna <- Datos_region_ACI %>% filter(franja_horaria=="Dia",region=="Yunga")
Noche_AC_Puna <- Datos_region_ACI %>% filter(franja_horaria=="Noche",region=="Yunga")
t.test(Dia_ACI_Puna$ACI, Noche_AC_Puna$ACI)##
## Welch Two Sample t-test
##
## data: Dia_ACI_Puna$ACI and Noche_AC_Puna$ACI
## t = -10.254, df = 352.9, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -1.0536241 -0.7144935
## sample estimates:
## mean of x mean of y
## 244.6384 245.5224
#Graficadores de ADI
graph_ADI_Region <- Datos_region_ADI %>%
mutate(franja_horaria = factor(franja_horaria)) %>%
ggplot(aes(x = as.numeric(franja_horaria) - 1,
y = ADI, color=region)) +
geom_point(position = position_jitter(width = 0.15)) +
geom_smooth(method = lm, se = FALSE, fullrange = TRUE) +
scale_x_continuous(breaks = c(0, 1),
minor_breaks = c(0, 1),
limits = c(-0.2, 1.2),
labels = c("Dia", "Noche")) +
labs(x = "Franja Horaria",
y = "ADI")
graph_ADI_Region## Esto lo elimine porque no de de donde viene!
# Fig.ay <- Datos_region_ADI %>%
# mutate(franja_horaria = factor(franja_horaria)) %>%
# filter(lugar!="Cavernas") %>%
# ggplot(aes(x = as.numeric(franja_horaria) - 1,
# y = ADI, color=region,show.legend=FALSE)) +
# geom_point(position = position_jitter(width = 0.15),show.legend=FALSE) +
# ylim(0.5,2.3)+
# geom_smooth(method = lm, se = FALSE, fullrange = TRUE,show.legend=FALSE) +
# scale_x_continuous(breaks = c(0, 1),
# minor_breaks = c(0, 1),
# limits = c(-0.2, 1.2),
# labels = c("Dia", "Noche")) +
# labs(x = "Franja Horaria",
# y = "ADI",title="Acay")
#
# Fig.cnas <- Datos_region_ADI %>%
# mutate(franja_horaria = factor(franja_horaria)) %>%
# filter(lugar!="Acay") %>%
# ggplot(aes(x = as.numeric(franja_horaria) - 1,
# y = ADI, color=region)) +
# geom_point(position = position_jitter(width = 0.15)) +
# ylim(0.5,2.3)+
# geom_smooth(method = lm, se = FALSE, fullrange = TRUE) +
# scale_x_continuous(breaks = c(0, 1),
# minor_breaks = c(0, 1),
# limits = c(-0.2, 1.2),
# labels = c("Dia", "Noche")) +
# labs(x = "Franja Horaria",
# y = "ADI",title="Cavernas")
#
# Fig.ay | Fig.cnasFig 14`: Valores de ADI agrupados por región y Franja Horaria.
#T.Test de ADI
Dia_ADI_Yunga <- Datos_region_ADI %>% filter(franja_horaria=="Dia",region=="Yunga")
Noche_ADI_Yunga <- Datos_region_ADI %>% filter(franja_horaria=="Noche",region=="Yunga")
t.test(Dia_ADI_Yunga$ADI, Noche_ADI_Yunga$ADI)##
## Welch Two Sample t-test
##
## data: Dia_ADI_Yunga$ADI and Noche_ADI_Yunga$ADI
## t = -2.0094, df = 312.36, p-value = 0.04535
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -0.0295160952 -0.0003105486
## sample estimates:
## mean of x mean of y
## 2.232703 2.247616
Dia_ADI_Puna <- Datos_region_ADI %>% filter(franja_horaria=="Dia",region=="Yunga")
Noche_ADI_Puna <- Datos_region_ADI %>% filter(franja_horaria=="Noche",region=="Yunga")
t.test(Dia_ACI_Puna$ADI, Noche_ADI_Puna$ADI)##
## Welch Two Sample t-test
##
## data: Dia_ACI_Puna$ADI and Noche_ADI_Puna$ADI
## t = -7.1607, df = 234.19, p-value = 1.03e-11
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -0.2480378 -0.1410004
## sample estimates:
## mean of x mean of y
## 2.053097 2.247616
Los datos expuestos sugieren que, en terminos generales ambos indices
bioacústicos analizados son significativamente mayores en la región de
Yungas que en la Puna. A partir del analisis estadistico, realizamos una
correlación con las distribuciones normales correspondientes a la media
y el desvio estandar en cada caso, con las graficas de densidad. Se
corroboró que las resultantes, sin outliers, se asemejan a una curva
gaussiana (distribución normal).
Haciendo mención a las
locaciones especificas:
- Si bien Cavernas y Acay pertenecen a la
misma región, es decir, mismo clima y area y los valores arrojado por el
t-test no exponen una diferencia significativa (p = 0.08), Acay expone
los valores mas disimiles, haciendo que Cavernas tenga mas relación con
los indices obtenidos en Yungas que en Poma.
- Si bien, los valores
arrojados en el T-test entre Cavernas y Mayuato exponen una diferencia
significativa (p = 0.007), teniendo en cuenta las diferencias entre
ambas regiones, eran esperables resultados mucho mas divergentes. Por lo
tanto, no es un resoltado que nos permita inferir dicha diferencia.
Vemos necesario realizar mas pruebas que permitan profundizar en el
analisis.
Haciendo mención a las franjas horarias (Dia/Noche):
- El Indice de Distribución Acústica (ADI), expone un crecimiento
notorio para Acay entre Dia y Noche, en comparación con el resto de las
locaciones. A partir de la escucha de las resultantes sonoras, es
posible atribuir dicha diferencia, a los fuertes vientos registrados en
Acay. De hecho, el aumento durante la noche, está relacionada con el
cese de fuertes vientos.
- El estudio de regresión lineal a partir
del análisis del Indice de Complejidad Acústica (ACI), agrupando por
regiones, arroja dos comportamientos divergentes entre Puna y Yunga.
Partiendo de la hipótesis planteada, es observable que la región de la
Puna se ciñe al comportamiento presuesto (mayor actividad biofona
durante el día que en la noche), sin embargo, la región de Yungas,
presenta un aumento en ACI durante la noche en comparación al día.
Cotejando con las grabaciones de campo, notamos mayor actividad de
anuros e insectos en esa franja horaria, sobre todo en Astileros.
Extracto de Astilleros:
Sentinel_Anuros
Por último, para cotejar que los cambios de actividad por franja
horaria están fuertemente ligados a la región, realizamos un t-test
aunando valores de Dia/Noche de todas las locaciones. Al realizar una
regresión lineal observamos que las pendientes son opuestas, por lo que
concluimos que no es recomendable inferir la actividad sonora por franja
horaria sin tener en cuenta cada región. Asimismo creemos importante,
para futuras investigaciones, considera la epoca del año, ya que estos
registros fueron realizados en otoño y es muy factible que su actividad
se vea considerablemten modificada en otras estaciones.
Dia_ACI <- Datos_region_ACI %>% filter(franja_horaria=="Dia")
Noche_ACI <- Datos_region_ACI %>% filter(franja_horaria=="Noche")
t.test(Dia_ACI$ACI, Noche_ACI$ACI)##
## Welch Two Sample t-test
##
## data: Dia_ACI$ACI and Noche_ACI$ACI
## t = -1.1403, df = 656.2, p-value = 0.2546
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -0.35575337 0.09436536
## sample estimates:
## mean of x mean of y
## 243.7186 243.8493
Dia_ADI <- Datos_region_ADI %>% filter(franja_horaria=="Dia")
Noche_ADI <- Datos_region_ADI %>% filter(franja_horaria=="Noche")
t.test(Dia_ADI$ADI, Noche_ADI$ADI)##
## Welch Two Sample t-test
##
## data: Dia_ADI$ADI and Noche_ADI$ADI
## t = -0.71546, df = 642.9, p-value = 0.4746
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -0.14540193 0.06774267
## sample estimates:
## mean of x mean of y
## 1.718560 1.757389